به كار گيري فرايند داده كاوي براي پيش بيني الگوهاي رويگرداني مشتري در بيمه

Data Mining for Customer Churn Prediction In Insurance

توسعه پارادايم بازاريابي دانش محور، تقاضا براي پيوستن داده كاوي به فرايندهاي تجاري كسب و كار به ويژه در حوزه‌هاي مختلف مديريت روابط با مشتري را به دنبال داشته است. يكي از حوزه‌هاي جديد و مورد اقبال در اين زمينه،" مديريت رويگرداني مشتري" مي‌باشد. با اعمال فرايند داده كاوي در مقام يكي از فناوريهاي مديريت دانش، مي‌توان طي كاوش در پايگاههاي داده حجيمي از تعاملات ثبت شده سازمان با مشتريان كه منعكس كننده تمايلات و رفتارهاي واقعي آنان است به استخراج الگوهايي براي پيش بيني رفتار رويگرداني مشتري نايل آمد و مديران را در اخذ تصميمات لازم براي حفظ اين مشتريان و كاهش روند ريزش آنان ياري داد. پژوهش حاضر با هدف تبيين قابليتهاي داده كاوي در مديريت رويگرداني مشتري، و با بهره گيري از متدولوژي استاندارد داده كاوي CRISP-DM، به كاوش در پايگاههاي داده يكي از شركتهاي سهامي عام بيمه اي در رشته بيمه آتش سوزي پرداخته است. نتايج نشان مي‌دهد كانال جذب مشتري عامل اصلي پيش بيني كننده رويگرداني يا ماندگاري مشتري در شركت بوده و در مراتب بعد سابقه خريد و كاربري مكان بيمه شده به عنوان عوامل پيش-بيني كننده رويگرداني قرار مي‌گيرند.

Knowledge oriented marketing as a new paradigm leads companies to combining business processes and data mining specially in different area of customer relationship management such as customer churnmanagement.Data mining (DM) as a knowledge technology, penetrates enormous databases of pervious transactions reveals customer preferences and behaviors to extract patterns to support managerial decisions for decreasing customer defection rate.In This research data from one insurance company databases from fire insurance utilized to show the potential power of DM to develop customer churn prediction models. The research methodology is based on Cross-Industry Standard Process for Data Mining (CRISP-DM). Results show the critical factor in predict customer churn is attraction channel and after that customer purchase history and usage of place are important to recognition customers who are likely to churn.